# Завантаження покетів та набору даних
library(tidyverse)
TMDB <- read_csv("U:/Master's_work_Boiko/Data_Analysis_movie/tmdb_movies.csv")
TMDB
# Кількість зміних і спостережень
dim(TMDB)
## [1] 10866 21
# Імена зміних
names(TMDB)
## [1] "id" "imdb_id" "popularity"
## [4] "budget" "revenue" "original_title"
## [7] "cast" "homepage" "director"
## [10] "tagline" "keywords" "overview"
## [13] "runtime" "genres" "production_companies"
## [16] "release_date" "vote_count" "vote_average"
## [19] "release_year" "budget_adj" "revenue_adj"
# Видалення нерелевантних даних
TMDB_cleaned <- TMDB %>% select(-c(id, imdb_id, popularity, budget_adj, revenue_adj, cast, homepage, director, tagline, keywords, overview, production_companies, release_date))
TMDB_cleaned
# Перевірка кількість NA значень у кожній змінній
na_count <- sapply(TMDB_cleaned, function(y) sum(length(which(is.na(y)))))
print(na_count)
## budget revenue original_title runtime genres
## 0 0 0 0 23
## vote_count vote_average release_year
## 0 0 0
# Видалення рядків, які містять NA значення
TMDB_cleaned <- na.omit(TMDB_cleaned)
print(sum(is.na(TMDB_cleaned)))
## [1] 0
# Перевірка кількість NA значень у кожній змінній
na_count <- sapply(TMDB_cleaned, function(y) sum(length(which(is.na(y)))))
# Перевірка результату
print(na_count)
## budget revenue original_title runtime genres
## 0 0 0 0 0
## vote_count vote_average release_year
## 0 0 0
# Кількість зміних і спостережень
dim(TMDB_cleaned)
## [1] 10843 8
# Перевірка на кількість 0 значень у кожній змінній
zero_count <- sapply(TMDB_cleaned, function(y) sum(y == 0, na.rm = TRUE))
print(zero_count)
## budget revenue original_title runtime genres
## 5674 5993 0 30 0
## vote_count vote_average release_year
## 0 0 0
# Видалення рядків, де budget, revenue та runtime дорівнює 0
TMDB_cleaned <- TMDB_cleaned %>%
filter(budget > 0 & revenue > 0 & runtime > 0)
# Встановлення параметра scipen
options(scipen=999)
# Визначення мінімального значення для змінних budget, revenue та runtime
min_data <- sapply(TMDB_cleaned[, c("runtime", "budget", "revenue")], min, na.rm = TRUE)
min_data
## runtime budget revenue
## 15 1 2
# Кількість зміних і спостережень
dim(TMDB_cleaned)
## [1] 3855 8
# Перевірка на наявність дублікатів
original_nrow <- nrow(TMDB_cleaned)
duplicated_rows <- TMDB_cleaned[duplicated(TMDB_cleaned),]
# Якщо є дублікати, вивести їх кількість
if(nrow(duplicated_rows) > 0) {
print(paste("Number of duplicated rows: ", nrow(duplicated_rows)))
}
## [1] "Number of duplicated rows: 1"
# Видалення дублікатів
TMDB_cleaned <- distinct(TMDB_cleaned)
# Перевірка результату
new_nrow <- nrow(TMDB_cleaned)
print(paste("Кількість рядків до видалення дублікатів: ", original_nrow))
## [1] "Кількість рядків до видалення дублікатів: 3855"
print(paste("Кількість рядків після видалення дублікатів: ", new_nrow))
## [1] "Кількість рядків після видалення дублікатів: 3854"
# Встановлення порогового значення
revenue_threshold <- 11000
budget_threshold <- 1000
# Відфільтровування фільмів з касовими зборами та бюджетом нижче порогового значення
TMDB_cleaned <- TMDB_cleaned %>%
filter(revenue > revenue_threshold & budget > budget_threshold)
# Перевірка результату
summary(TMDB_cleaned$budget )
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 7000 10000000 25000000 37609526 50000000 425000000
summary(TMDB_cleaned$revenue )
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 13308 14460000 46236000 109155433 126216940 2781505847
# Фільтрування фільмів з касовими зборами менше за 20000 тисяч
low_revenue_movies <- TMDB_cleaned %>%
filter(revenue > 20000)
# Виведення перших рядків цього списка для перевірки
low_revenue_movies
# Виведення структури DataFrame, що включає імена та типи змінних, а також перші кілька значень кожної змінної
str(TMDB_cleaned)
## tibble [3,801 × 8] (S3: tbl_df/tbl/data.frame)
## $ budget : num [1:3801] 150000000 150000000 110000000 200000000 190000000 135000000 155000000 108000000 74000000 175000000 ...
## $ revenue : num [1:3801] 1513528810 378436354 295238201 2068178225 1506249360 ...
## $ original_title: chr [1:3801] "Jurassic World" "Mad Max: Fury Road" "Insurgent" "Star Wars: The Force Awakens" ...
## $ runtime : num [1:3801] 124 120 119 136 137 156 125 141 91 94 ...
## $ genres : chr [1:3801] "Action|Adventure|Science Fiction|Thriller" "Action|Adventure|Science Fiction|Thriller" "Adventure|Science Fiction|Thriller" "Action|Adventure|Science Fiction|Fantasy" ...
## $ vote_count : num [1:3801] 5562 6185 2480 5292 2947 ...
## $ vote_average : num [1:3801] 6.5 7.1 6.3 7.5 7.3 7.2 5.8 7.6 6.5 8 ...
## $ release_year : num [1:3801] 2015 2015 2015 2015 2015 ...
## - attr(*, "na.action")= 'omit' Named int [1:23] 425 621 998 1713 1898 2371 2377 2854 3280 4548 ...
## ..- attr(*, "names")= chr [1:23] "425" "621" "998" "1713" ...
# Перевірка розміру DataFrame
print(paste("Кількість рядків: ", nrow(TMDB_cleaned)))
## [1] "Кількість рядків: 3801"
print(paste("Кількість стовбців: ", ncol(TMDB_cleaned)))
## [1] "Кількість стовбців: 8"
# Перевірка загальних статистичних характеристик змінних
summary(TMDB_cleaned)
## budget revenue original_title runtime
## Min. : 7000 Min. : 13308 Length:3801 Min. : 26.0
## 1st Qu.: 10000000 1st Qu.: 14460000 Class :character 1st Qu.: 96.0
## Median : 25000000 Median : 46236000 Mode :character Median :106.0
## Mean : 37609526 Mean : 109155433 Mean :109.4
## 3rd Qu.: 50000000 3rd Qu.: 126216940 3rd Qu.:119.0
## Max. :425000000 Max. :2781505847 Max. :338.0
## genres vote_count vote_average release_year
## Length:3801 Min. : 10.0 Min. :2.200 Min. :1960
## Class :character 1st Qu.: 73.0 1st Qu.:5.700 1st Qu.:1995
## Mode :character Median : 207.0 Median :6.200 Median :2004
## Mean : 533.8 Mean :6.174 Mean :2001
## 3rd Qu.: 584.0 3rd Qu.:6.700 3rd Qu.:2010
## Max. :9767.0 Max. :8.400 Max. :2015
# Перевірка перших та останніх рядків DataFrame
head(TMDB_cleaned)
tail(TMDB_cleaned)
# Розподіл рейтингу фільму (vote_average)
ggplot(TMDB_cleaned, aes(x=vote_average)) +
geom_histogram(binwidth=0.5, fill="blue", color="black", alpha=0.7) +
labs(title="Розподіл рейтингу фільмів", x="Рейтинг", y="Кількість фільмів")
library(patchwork)
## Warning: пакет 'patchwork' был собран под R версии 4.3.2
library(scales) # Для dollar_format
##
## Присоединяю пакет: 'scales'
## Следующий объект скрыт от 'package:purrr':
##
## discard
## Следующий объект скрыт от 'package:readr':
##
## col_factor
# Графік бюджету з коригуванням осі X
p1 <- ggplot(TMDB_cleaned, aes(x=budget)) +
geom_histogram(bins=30, fill="blue") +
scale_x_continuous(labels = dollar_format(prefix = "$", suffix = "", big.mark = ",")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + # Нахил тексту
ggtitle("Бюджет") +
xlab("Бюджет (в доларах)")
# Графік доходу з коригуванням осі X
p2 <- ggplot(TMDB_cleaned, aes(x=revenue)) +
geom_histogram(bins=30, fill="green") +
scale_x_continuous(labels = dollar_format(prefix = "$", suffix = "", big.mark = ",")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + # Нахил тексту
ggtitle("Дохід") +
xlab("Дохід (в доларах)")
p3 <- ggplot(TMDB_cleaned, aes(x=runtime)) +
geom_histogram(bins=30, fill="red") +
theme_minimal() +
ggtitle("Тривалість") +
xlab("Тривалість (у хвилинах)")
# Графік середнього рейтингу
p4 <- ggplot(TMDB_cleaned, aes(x=vote_average)) +
geom_histogram(bins=30, fill="orange") +
theme_minimal() +
ggtitle("Середній Рейтинг")
# Графік року випуску
p5 <- ggplot(TMDB_cleaned, aes(x=release_year)) +
geom_histogram(bins=30, fill="purple") +
theme_minimal() +
ggtitle("Рік Випуску")
# Графік кількості голосів
p6 <- ggplot(TMDB_cleaned, aes(x=vote_count)) +
geom_histogram(bins=30, fill="yellow") +
theme_minimal() +
ggtitle("Кількість Голосів")
# Об'єднання графіків за допомогою patchwork
layout <- (p1 + p2) / (p3 + p4) / (p5 + p6)
layout
ggplot(TMDB_cleaned, aes(x=revenue)) +
geom_density(fill="blue", color="black", alpha=0.7) +
theme_minimal() +
labs(title="Розподіл касових зборів", x="Касові збори", y="Щільність")
# Розділяємо жанри на різні рядки
data_expanded <- TMDB_cleaned %>%
separate_rows(genres, sep = "\\|")
# Перетворення жанрів на бінарні змінні (dummy variables)
data_dummies <- data_expanded %>%
pivot_wider(names_from = genres, values_from = genres, values_fill = list(genres = "Absent")) %>%
mutate(across(-c(original_title, runtime, vote_count, vote_average, release_year, budget, revenue), ~ifelse(. == "Absent", 0, 1)))
# Перевірка перших та останніх рядків DataFrame
data_dummies <- data_dummies %>% rename(TV_Movie = `TV Movie`)
data_dummies <- data_dummies %>% rename(Science_Fiction = `Science Fiction`)
head(data_dummies)
# Описова статистика
summary(data_dummies)
## budget revenue original_title runtime
## Min. : 7000 Min. : 13308 Length:3801 Min. : 26.0
## 1st Qu.: 10000000 1st Qu.: 14460000 Class :character 1st Qu.: 96.0
## Median : 25000000 Median : 46236000 Mode :character Median :106.0
## Mean : 37609526 Mean : 109155433 Mean :109.4
## 3rd Qu.: 50000000 3rd Qu.: 126216940 3rd Qu.:119.0
## Max. :425000000 Max. :2781505847 Max. :338.0
## vote_count vote_average release_year Action
## Min. : 10.0 Min. :2.200 Min. :1960 Min. :0.000
## 1st Qu.: 73.0 1st Qu.:5.700 1st Qu.:1995 1st Qu.:0.000
## Median : 207.0 Median :6.200 Median :2004 Median :0.000
## Mean : 533.8 Mean :6.174 Mean :2001 Mean :0.282
## 3rd Qu.: 584.0 3rd Qu.:6.700 3rd Qu.:2010 3rd Qu.:1.000
## Max. :9767.0 Max. :8.400 Max. :2015 Max. :1.000
## Adventure Science_Fiction Thriller Fantasy
## Min. :0.0000 Min. :0.0000 Min. :0.000 Min. :0.0000
## 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:0.000 1st Qu.:0.0000
## Median :0.0000 Median :0.0000 Median :0.000 Median :0.0000
## Mean :0.1949 Mean :0.1355 Mean :0.312 Mean :0.1023
## 3rd Qu.:0.0000 3rd Qu.:0.0000 3rd Qu.:1.000 3rd Qu.:0.0000
## Max. :1.0000 Max. :1.0000 Max. :1.000 Max. :1.0000
## Crime Western Drama Family
## Min. :0.00 Min. :0.00000 Min. :0.0000 Min. :0.0000
## 1st Qu.:0.00 1st Qu.:0.00000 1st Qu.:0.0000 1st Qu.:0.0000
## Median :0.00 Median :0.00000 Median :0.0000 Median :0.0000
## Mean :0.17 Mean :0.01342 Mean :0.4567 Mean :0.1102
## 3rd Qu.:0.00 3rd Qu.:0.00000 3rd Qu.:1.0000 3rd Qu.:0.0000
## Max. :1.00 Max. :1.00000 Max. :1.0000 Max. :1.0000
## Animation Comedy Mystery Romance
## Min. :0.00000 Min. :0.0000 Min. :0.00000 Min. :0.0000
## 1st Qu.:0.00000 1st Qu.:0.0000 1st Qu.:0.00000 1st Qu.:0.0000
## Median :0.00000 Median :0.0000 Median :0.00000 Median :0.0000
## Mean :0.05235 Mean :0.3517 Mean :0.08971 Mean :0.1721
## 3rd Qu.:0.00000 3rd Qu.:1.0000 3rd Qu.:0.00000 3rd Qu.:0.0000
## Max. :1.00000 Max. :1.0000 Max. :1.00000 Max. :1.0000
## War History Music Horror
## Min. :0.00000 Min. :0.00000 Min. :0.00000 Min. :0.0000
## 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.:0.0000
## Median :0.00000 Median :0.00000 Median :0.00000 Median :0.0000
## Mean :0.03131 Mean :0.03368 Mean :0.03499 Mean :0.1194
## 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.:0.0000
## Max. :1.00000 Max. :1.00000 Max. :1.00000 Max. :1.0000
## Documentary Foreign TV_Movie
## Min. :0.000000 Min. :0.00000 Min. :0.0000000
## 1st Qu.:0.000000 1st Qu.:0.00000 1st Qu.:0.0000000
## Median :0.000000 Median :0.00000 Median :0.0000000
## Mean :0.008945 Mean :0.00342 Mean :0.0002631
## 3rd Qu.:0.000000 3rd Qu.:0.00000 3rd Qu.:0.0000000
## Max. :1.000000 Max. :1.00000 Max. :1.0000000
#завантаження пакету ggcorrplot
library(ggcorrplot)
## Warning: пакет 'ggcorrplot' был собран под R версии 4.3.2
# Кореляційний аналіз
data_numbers <- TMDB_cleaned %>% select(-c(original_title, genres))
correlation_matrix <- cor(data_numbers)
# Візуалізація кореляційної матриці
ggcorrplot(correlation_matrix, lab = TRUE,title ='Correlation Matrix of Movie Variables', lab_size = 3)
# Кореляційний аналіз
data_num <- data_dummies %>% select(-c(original_title, runtime, vote_count, release_year, budget, Adventure, Thriller, Fantasy, Crime, Western, Family, Comedy, Mystery, Romance, Music, Foreign, TV_Movie))
correlation_mat <- cor(data_num)
# Візуалізація кореляційної матриці
ggcorrplot(correlation_mat, lab = TRUE,title ='Correlation Matrix of Movie Variables', lab_size = 3)
# Побудова графіку Бюджет vs Доходи
ggplot(TMDB_cleaned, aes(x = budget, y = revenue)) +
geom_point(aes(color = vote_average), alpha = 0.6) + # Додавання кольору залежно від рейтингу
geom_smooth(method = "lm", se = FALSE, color = "blue") + # Лінія регресії
scale_x_continuous(labels = scales::comma) + # Форматування осі X
scale_y_continuous(labels = scales::comma) + # Форматування осі Y
labs(title = "Бюджет vs Касові збори", x = "Бюджет (у доларах)", y = "Касові збори (у доларах)") +
theme_minimal() + # Застосування теми
theme(legend.position = "bottom") # Розміщення легенди
## `geom_smooth()` using formula = 'y ~ x'
# Побудова графіку Кількість голосів vs Доходи
ggplot(TMDB_cleaned, aes(x = vote_count, y = revenue)) +
geom_point(alpha = 0.5) + # використання прозорості для кращого візуального представлення
geom_smooth(method = "lm", se = FALSE, color = "blue") + # Лінія регресії
scale_x_continuous(labels = scales::comma) + # Форматування осі X
scale_y_continuous(labels = scales::comma) + # Форматування осі Y
theme_minimal() + # Застосування теми
labs(title = "Кількість голосів vs Касові збори", x = "Кількість голосів", y = "Касові збори")
## `geom_smooth()` using formula = 'y ~ x'
# Створення графіка
ggplot(TMDB_cleaned, aes(x = vote_count, y = vote_average)) +
geom_point(alpha = 0.5) + # використання прозорості для кращого відображення даних
geom_smooth(method = "lm", se = FALSE, color = "blue") + # Лінія регресії
theme_minimal() +
labs(title = "Кількість Голосів vs Рейтинг",
x = "Кількість Голосів",
y = "Рейтинг")
## `geom_smooth()` using formula = 'y ~ x'
genres_data <- data_dummies %>%
gather(key=genre, value=value, -original_title, -runtime, -vote_count, -vote_average, -release_year, -budget, -revenue, -Foreign, -TV_Movie) %>%
filter(value == 1)
genre_rating <- genres_data %>%
group_by(genre) %>%
summarise(avg_rating = mean(vote_average))
ggplot(genre_rating, aes(x=genre, y=avg_rating)) +
geom_bar(stat="identity", fill="purple") +
coord_flip() +
labs(title="Середній рейтинг за жанром", x="Жанр", y="Середній рейтинг")
genres_data <- data_dummies %>%
gather(key=genre, value=value, -original_title, -runtime, -vote_count, -vote_average, -release_year, -budget, -revenue, -Foreign, -TV_Movie) %>%
filter(value == 1)
genre_rating <- genres_data %>%
group_by(genre) %>%
summarise(avg_revenue = mean(revenue))
ggplot(genre_rating, aes(x=genre, y=avg_revenue)) +
geom_bar(stat="identity", fill="purple") +
coord_flip() +
labs(title="Середній дохід за жанром", x="Жанр", y="Середній дохід")
# Підготовка даних: зміна структури даних з широкої на довгу
long_data <- data_dummies %>%
pivot_longer(
cols = c(Action, Animation, Science_Fiction, Adventure, Comedy, Documentary, Drama, Thriller, Fantasy, History, Horror, Crime, Western, War, Family, Mystery, Romance, Music), # Замініть на назви ваших жанрових колонок
names_to = "Genre",
values_to = "Genre_Present"
) %>%
filter(Genre_Present == 1)
# Розрахунок середнього чистого доходу за жанрами
average_net_revenue_by_genre <- long_data %>%
group_by(Genre) %>%
summarize(
Average_Net_Revenue = mean(revenue - budget, na.rm = TRUE)
)
# Візуалізація
ggplot(average_net_revenue_by_genre, aes(x = Genre, y = Average_Net_Revenue)) +
geom_bar(stat = "identity", fill = "steelblue") +
theme_minimal() +
coord_flip() + # Для горизонтального бар-графіка
labs(title = "Середній чистий дохід фільмів за жанрами",
x = "Жанр",
y = "Середній чистий дохід (у доларах)")
genre_count <- genres_data %>%
group_by(genre) %>%
count()
ggplot(genre_count, aes(x=genre, y=n)) +
geom_bar(stat="identity", fill="cyan") +
coord_flip() +
labs(title="Кількість фільмів за жанром", x="Жанр", y="Кількість фільмів")
# Групування даних по року випуску та обчислення середніх значень касових зборів і середнього рейтингу
trends <- aggregate(data_dummies[c('revenue', 'vote_average')], by=list(data_dummies$release_year), FUN=mean)
colnames(trends) <- c('release_year', 'avg_revenue', 'avg_vote_average')
# Побудова графіку для касових зборів
g1 <- ggplot(trends, aes(x=release_year, y=avg_revenue)) +
geom_line() +
labs(title="Average Revenue Over Years", x="Release Year", y="Average Revenue")
# Побудова графіку для середнього рейтингу
g2 <- ggplot(trends, aes(x=release_year, y=avg_vote_average)) +
geom_line() +
labs(title="Average Vote Average Over Years", x="Release Year", y="Average Vote Average")
# Об'єднання графіків за допомогою patchwork
layout <- (g1 / g2)
layout
# Функція для виявлення викидів за допомогою міжквартильного розмаху (IQR)
detect_outliers <- function(df, feature) {
Q1 <- quantile(df[[feature]], 0.25)
Q3 <- quantile(df[[feature]], 0.75)
IQR <- Q3 - Q1
lower_bound <- Q1 - 1.5 * IQR
upper_bound <- Q3 + 1.5 * IQR
return(which(df[[feature]] < lower_bound | df[[feature]] > upper_bound))
}
# Виявлення викидів для бюджету, касових зборів, тривалості та кількості голосів
outliers_budget <- detect_outliers(data_dummies, 'budget')
outliers_revenue <- detect_outliers(data_dummies, 'revenue')
outliers_runtime <- detect_outliers(data_dummies, 'runtime')
outliers_vote_count <- detect_outliers(data_dummies, 'vote_count')
# Об'єднання всіх індексів викидів
all_outliers <- c(outliers_budget, outliers_revenue, outliers_runtime, outliers_vote_count)
# Видалення викидів з датасету
movies_data_clean <- data_dummies[-unique(all_outliers), ]
# Перегляд оновлених статистик
summary(movies_data_clean)
## budget revenue original_title runtime
## Min. : 7000 Min. : 13308 Length:3146 Min. : 62.0
## 1st Qu.: 8000000 1st Qu.: 11221339 Class :character 1st Qu.: 95.0
## Median : 20000000 Median : 34541399 Mode :character Median :104.0
## Mean : 26568312 Mean : 57426836 Mean :105.9
## 3rd Qu.: 39000000 3rd Qu.: 84636631 3rd Qu.:115.0
## Max. :110000000 Max. :289317794 Max. :153.0
## vote_count vote_average release_year Action
## Min. : 10.0 Min. :2.200 Min. :1960 Min. :0.0000
## 1st Qu.: 60.0 1st Qu.:5.600 1st Qu.:1995 1st Qu.:0.0000
## Median : 159.0 Median :6.100 Median :2004 Median :0.0000
## Mean : 265.1 Mean :6.071 Mean :2001 Mean :0.2432
## 3rd Qu.: 368.0 3rd Qu.:6.600 3rd Qu.:2009 3rd Qu.:0.0000
## Max. :1350.0 Max. :8.400 Max. :2015 Max. :1.0000
## Adventure Science_Fiction Thriller Fantasy
## Min. :0.000 Min. :0.0000 Min. :0.0000 Min. :0.00000
## 1st Qu.:0.000 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:0.00000
## Median :0.000 Median :0.0000 Median :0.0000 Median :0.00000
## Mean :0.151 Mean :0.1163 Mean :0.3153 Mean :0.08233
## 3rd Qu.:0.000 3rd Qu.:0.0000 3rd Qu.:1.0000 3rd Qu.:0.00000
## Max. :1.000 Max. :1.0000 Max. :1.0000 Max. :1.00000
## Crime Western Drama Family
## Min. :0.0000 Min. :0.00000 Min. :0.0000 Min. :0.00000
## 1st Qu.:0.0000 1st Qu.:0.00000 1st Qu.:0.0000 1st Qu.:0.00000
## Median :0.0000 Median :0.00000 Median :0.0000 Median :0.00000
## Mean :0.1751 Mean :0.01208 Mean :0.4739 Mean :0.09282
## 3rd Qu.:0.0000 3rd Qu.:0.00000 3rd Qu.:1.0000 3rd Qu.:0.00000
## Max. :1.0000 Max. :1.00000 Max. :1.0000 Max. :1.00000
## Animation Comedy Mystery Romance
## Min. :0.00000 Min. :0.0000 Min. :0.00000 Min. :0.000
## 1st Qu.:0.00000 1st Qu.:0.0000 1st Qu.:0.00000 1st Qu.:0.000
## Median :0.00000 Median :0.0000 Median :0.00000 Median :0.000
## Mean :0.03592 Mean :0.3748 Mean :0.09313 Mean :0.185
## 3rd Qu.:0.00000 3rd Qu.:1.0000 3rd Qu.:0.00000 3rd Qu.:0.000
## Max. :1.00000 Max. :1.0000 Max. :1.00000 Max. :1.000
## War History Music Horror
## Min. :0.0000 Min. :0.00000 Min. :0.00000 Min. :0.000
## 1st Qu.:0.0000 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.:0.000
## Median :0.0000 Median :0.00000 Median :0.00000 Median :0.000
## Mean :0.0267 Mean :0.02511 Mean :0.03751 Mean :0.137
## 3rd Qu.:0.0000 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.:0.000
## Max. :1.0000 Max. :1.00000 Max. :1.00000 Max. :1.000
## Documentary Foreign TV_Movie
## Min. :0.00000 Min. :0.000000 Min. :0.0000000
## 1st Qu.:0.00000 1st Qu.:0.000000 1st Qu.:0.0000000
## Median :0.00000 Median :0.000000 Median :0.0000000
## Mean :0.01049 Mean :0.003179 Mean :0.0003179
## 3rd Qu.:0.00000 3rd Qu.:0.000000 3rd Qu.:0.0000000
## Max. :1.00000 Max. :1.000000 Max. :1.0000000
# Вибір змінних для моделі
predictors <- c("budget", "runtime", "vote_count", "release_year")
# Підготовка даних для моделі касових зборів
X_revenue <- data_dummies %>% select(all_of(predictors))
y_revenue <- data_dummies$revenue
# Розбиття даних на тренувальні та тестові набори
set.seed(42)
train_index <- sample(1:nrow(X_revenue), 0.7 * nrow(X_revenue))
X_train_rev <- X_revenue[train_index, ]
y_train_rev <- y_revenue[train_index]
X_test_rev <- X_revenue[-train_index, ]
y_test_rev <- y_revenue[-train_index]
# Побудова моделі лінійної регресії
model_revenue <- lm(y_train_rev ~ ., data = X_train_rev)
summary(model_revenue)
##
## Call:
## lm(formula = y_train_rev ~ ., data = X_train_rev)
##
## Residuals:
## Min 1Q Median 3Q Max
## -685746685 -34163378 -7313334 19570384 1220676130
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2532800569.07497 362102218.37767 6.995 0.00000000000335 ***
## budget 1.66927 0.05524 30.218 < 0.0000000000000002 ***
## runtime -134044.05519 102527.27534 -1.307 0.191
## vote_count 102988.98671 2602.64007 39.571 < 0.0000000000000002 ***
## release_year -1263493.84561 179951.31010 -7.021 0.00000000000278 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 98230000 on 2655 degrees of freedom
## Multiple R-squared: 0.6723, Adjusted R-squared: 0.6718
## F-statistic: 1362 on 4 and 2655 DF, p-value: < 0.00000000000000022
# Прогнозування та оцінка моделі
predictions_rev <- predict(model_revenue, X_test_rev)
MSE_revenue <- mean((predictions_rev - y_test_rev)^2)
R2_revenue <- summary(model_revenue)$r.squared
# Виведення результатів
cat("MSE for Revenue Model: ", MSE_revenue, "\n")
## MSE for Revenue Model: 11286474709387372
cat("R2 for Revenue Model: ", R2_revenue, "\n")
## R2 for Revenue Model: 0.672293
# Вибір змінних для моделі
predictors <- c("budget", "runtime", "vote_count", "release_year")
# Підготовка даних для моделі середнього рейтингу голосування
X_vote <- data_dummies %>% select(all_of(predictors))
y_vote <- data_dummies$vote_average
# Розбиття даних на тренувальні та тестові набори
set.seed(42)
train_index_vote <- sample(1:nrow(X_vote), 0.7 * nrow(X_vote))
X_train_vote <- X_vote[train_index_vote, ]
y_train_vote <- y_vote[train_index_vote]
X_test_vote <- X_vote[-train_index_vote, ]
y_test_vote <- y_vote[-train_index_vote]
# Побудова моделі лінійної регресії
model_vote <- lm(y_train_vote ~ ., data = X_train_vote)
summary(model_vote)
##
## Call:
## lm(formula = y_train_vote ~ ., data = X_train_vote)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.2728 -0.4093 0.0443 0.4608 2.6066
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 23.4133389947190 2.4662196675545 9.494 < 0.0000000000000002 ***
## budget -0.0000000051640 0.0000000003762 -13.725 < 0.0000000000000002 ***
## runtime 0.0103005395210 0.0006982966965 14.751 < 0.0000000000000002 ***
## vote_count 0.0004419436921 0.0000177261607 24.932 < 0.0000000000000002 ***
## release_year -0.0091979895107 0.0012256192800 -7.505 0.0000000000000835 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.669 on 2655 degrees of freedom
## Multiple R-squared: 0.291, Adjusted R-squared: 0.29
## F-statistic: 272.5 on 4 and 2655 DF, p-value: < 0.00000000000000022
# Прогнозування та оцінка моделі
predictions_vote <- predict(model_vote, X_test_vote)
MSE_vote <- mean((predictions_vote - y_test_vote)^2)
R2_vote <- summary(model_vote)$r.squared
# Виведення результатів
cat("MSE for Vote Average Model: ", MSE_vote, "\n")
## MSE for Vote Average Model: 0.4086104
cat("R2 for Vote Average Model: ", R2_vote, "\n")
## R2 for Vote Average Model: 0.2910204
library(randomForest)
## Warning: пакет 'randomForest' был собран под R версии 4.3.2
## randomForest 4.7-1.1
## Type rfNews() to see new features/changes/bug fixes.
##
## Присоединяю пакет: 'randomForest'
## Следующий объект скрыт от 'package:dplyr':
##
## combine
## Следующий объект скрыт от 'package:ggplot2':
##
## margin
# Підготовка даних для аналізу касових зборів
# Видаляємо непотрібні стовпці
movies_for_revenue <- data_dummies[, !(names(data_dummies) %in% c('Unnamed: 0', 'original_title', 'revenue', 'TV_Movie', 'Foreign'))]
# Визначаємо змінну для прогнозування
revenue <- data_dummies$revenue
# Розділяємо дані на навчальний та тестовий набори (70% на 30%)
set.seed(42) # для відтворюваності результатів
train_indices <- sample(1:nrow(movies_for_revenue), 0.7*nrow(movies_for_revenue))
train_data_revenue <- movies_for_revenue[train_indices, ]
train_revenue <- revenue[train_indices]
test_data_revenue <- movies_for_revenue[-train_indices, ]
test_revenue <- revenue[-train_indices]
# Створення моделі випадкового лісу для касових зборів
rf_revenue <- randomForest(x = train_data_revenue, y = train_revenue, ntree = 100, importance = TRUE)
# Оцінка моделі
revenue_pred <- predict(rf_revenue, test_data_revenue)
revenue_rsquare <- cor(test_revenue, revenue_pred)^2
# Виведення результату
print(paste('R-squared for revenue model:', revenue_rsquare))
## [1] "R-squared for revenue model: 0.761066926674026"
# Перетворюємо дані важливості змінних у data frame
importance_revenue <- importance(rf_revenue, type = 1) # type 1 для %IncMSE
importance_revenue_df <- data.frame(Feature = rownames(importance_revenue),
Importance = importance_revenue[, 1])
# Відсортуємо змінні за зменшенням важливості
importance_revenue_df <- importance_revenue_df[order(importance_revenue_df$Importance, decreasing = TRUE), ]
# Створимо графік важливості змінних для касових зборів
ggplot(importance_revenue_df, aes(x = reorder(Feature, Importance), y = Importance)) +
geom_bar(stat = 'identity') +
coord_flip() + # Перевертаємо графік для кращого відображення
xlab('') +
ylab('% Increase in MSE') +
ggtitle('Feature Importance for Revenue Model') +
theme_minimal()
# Аналогічно для аналізу рейтингу фільму
movies_for_rating <- data_dummies[, !(names(data_dummies) %in% c('Unnamed: 0', 'original_title', 'vote_average', 'TV_Movie', 'Foreign'))]
rating <- data_dummies$vote_average
# Розділяємо дані
set.seed(42) # для відтворюваності результатів
train_data_rating <- movies_for_rating[train_indices, ]
train_rating <- rating[train_indices]
test_data_rating <- movies_for_rating[-train_indices, ]
test_rating <- rating[-train_indices]
# Створення моделі випадкового лісу для рейтингу
rf_rating <- randomForest(x = train_data_rating, y = train_rating, ntree = 100, importance = TRUE)
# Оцінка моделі
rating_pred <- predict(rf_rating, test_data_rating)
rating_rsquare <- cor(test_rating, rating_pred)^2
# Виведення результату
print(paste('R-squared for rating model:', rating_rsquare))
## [1] "R-squared for rating model: 0.54512342336686"
# Важливість змінних
importance_rating <- importance(rf_rating)
# Перетворюємо дані важливості змінних у data frame
importance_rating_df <- data.frame(Feature=rownames(importance_rating),
Importance=importance_rating[,'%IncMSE'])
# Відсортуємо змінні за зменшенням важливості
importance_rating_df <- importance_rating_df[order(-importance_rating_df$Importance), ]
# Створимо графік важливості змінних для рейтингу
ggplot(importance_rating_df, aes(x=reorder(Feature, Importance), y=Importance)) +
geom_bar(stat='identity') +
coord_flip() + # Перевертаємо графік для кращого відображення
xlab('') +
ylab('% Increase in MSE') +
ggtitle('Feature Importance for Rating Model') +
theme_minimal()
